【项目实战】pytorch实现逻辑斯蒂回归

视频指导：https://www.bilibili.com/video/BV1Y7411d7Ys?p=6

一些数据集

在pytorch框架下，里面面有配套的数据集，pytorch里面有一个torchversion的包，他可以提供相应的，比如MNIST这种很基础的数据集，但是安装的时候这些数据集不会包含在包里面，所以需要下载，具体代码以及解释如下：

import torchvision
train_set = torchvision.datasets.MNIST(root= '../dataset/mnist', train=True, download=True) //root后面表示把数据集安装在什么位置，train表示是要训练集还是测试集，download表示是否需要下载（如果没有下载就需要下载）
text_set = torchvision.datasets.MNIST(root= '../dataset/mnist', train=False, download=True)

还有一个叫做CIFAR-10 的数据集，训练集里面包含了5w个样本，测试集包含了1w个样本，内容就是一些图片，被分成了十类，分别表示不同的事务

import torchvision
train_set = torchvision.datasets.CIFAR10(...）
text_set = torchvision.datasets.CIFAR10(...)

逻辑斯蒂回归

首先我们自己设计几个数据

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])

然后开始设计模型

class LogisiticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisiticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self,x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred

这里和昨天不一样的地方在于forward里面使用了逻辑斯蒂回归
然后是优化器和损失函数

model = LogisiticRegressionModel()
critertion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

损失函数采用的是BCE，就是交叉熵损失
开始训练

for epoch in range(1000):
    y_pred = model(x_data)
    loss = critertion(y_pred,y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

结果可视化

用matplotlib进行绘图可以使结果可视化，具体代码和解释如下

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 200)           //意思就是在0到10之间弄出来两百个点
x_t = torch.Tensor(x).view((200, 1))  //把他变成200行一列的矩阵
y_t = model(x_t)                      //送入模型
y = y_t.data.numpy()                  //用numpy接收y_data的数据
plt.plot(x, y)                        //绘图
plt.plot([0, 10], [0.5, 0.5], c='r')  //表示在0到10，0.5到0.5上面画一条线（显然是一条直线）
plt.ylabel('probability of pass')
plt.grid()
plt.show()

总结

第一遍跑有一个警告

UserWarning: nn.functional.sigmoid is deprecated. Use torch.sigmoid instead. warnings.warn

查了一下，把

F.sigmoid(self.hidden(x)) 
#修改成以下语句
torch.sigmoid(self.hidden(x))

即可
估计是版本问题吧
然后我有魔改了一下代码，具体如下

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])

class LogisiticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisiticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self,x):
        y_pred = torch.sigmoid(self.linear(x))
        return y_pred

model = LogisiticRegressionModel()
critertion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)


for epoch in range(50000):
    y_pred = model(x_data)
    loss = critertion(y_pred,y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 100, 2000)
x_t = torch.Tensor(x).view((2000, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 100], [0.5, 0.5], c='r')
plt.xlabel('hours')
plt.ylabel('pass')
plt.grid()
plt.show()

最后的结果，我愿称之为，过拟合之王

哈哈哈哈哈，很有意思

• 总之整个代码编写就分这几步：
• 准备数据；
• 设计模型；
• 构造损失函数和优化器；
• 训练过程；
• 打印结果
  熟悉了就可以搞出自己的模型了